基于迁移学习的稻米显微图像分类模型研究：面向孟加拉国特色稻种的高精度识别

本研究针对孟加拉国特色稻种（Binadhan-8/23、BRRI dhan-67/74/102）显微图像分类难题，采用VGG19、MobileNetV3、ConvNeXt和EfficientNet等迁移学习模型，构建了包含3155张图像的自建数据集，最高实现95%分类准确率，为农业自动化质检提供了高效解决方案。

　　

稻米作为全球主要粮食作物，其品种鉴定对农业生产和贸易至关重要。然而，传统人工分类方法存在效率低、误差率高等问题，尤其对于孟加拉国培育的Binadhan-8、Binadhan-23等外观高度相似的特色稻种。针对这一挑战，来自孟加拉国研究机构的研究团队创新性地采用显微成像技术结合深度学习，开发了一套自动化分类系统，相关成果发表在《Array》期刊。

研究团队首先构建了包含3155张显微图像的自建数据集，涵盖5类孟加拉特色稻种。通过数据增强（翻转、旋转）、归一化（MIN-MAX标准化）和标签独热编码等预处理手段，采用VGG19、MobileNetV3Small、EfficientNetV2B0和ConvNeXtTiny四种迁移学习模型进行训练，使用Adam优化器（β₁=0.9，β₂=0.999）和ReduceLROnPlateau回调函数防止过拟合。

研究结果显示：

1. 模型性能对比：MobileNetV3Small以95%测试准确率居首，其BRRI-67类别的F1-score达0.89，显著优于VGG19（90%）和ConvNeXtTiny（91%）。
2. 关键指标分析：在BRRI-74分类中，MobileNetV3Small的精确度（0.95）与召回率（0.91）均表现最优，验证了其在细粒度分类上的优势。
3. 实时应用验证：部署的Web应用（基于Next.js+FastAPI）实现了端到端分类，证实了工程可行性。

这项研究的意义在于：首次针对孟加拉特色稻种建立显微图像数据集，证明了MobileNetV3在农业图像分类中的优越性，其轻量化特性更利于移动端部署。未来通过扩大样本量和引入注意力机制（如SE模块），可进一步提升模型鲁棒性，为全球粮食安全监测提供新范式。